一、核心方向一：全景知识图谱

1. 核心价值与能力

定位：通过“知识结构化、关联显性化、推理智能化”，构建应用功能与代码的关联图谱，支撑测试分析、版本对比、业务问答等场景。

核心能力：

节点属性覆盖：包含应用（app_identifier、version）、功能（description、ui_properties）、方法（calls、code_location）等节点，记录置信度、发现时间等元数据；

多维度应用：支持业务知识问答（查询功能路径）、版本差异分析（对比多版本功能节点）、测试用例生成（基于图谱推导测试点）。

2. 构建与工具

构建流程：通过Graph-Agent解析设备UI元素（如Android页面32个交互元素），结合State-Tool获取视觉与元素信息，自动生成功能节点与关联关系，支持手动提交任务（如“构建天气功能图谱”）。

关键工具：图谱助手（查询/对比）、系统监控（设备状态/任务日志）、图谱质量助手（统计分析），支持可视化展示（思维导图/层次图/网格），简化图谱应用门槛。

3. 演进方向

探索“业务知识图谱+代码知识图谱”融合，关联应用功能节点与代码方法（如unregister_server_sync方法），实现“功能-代码”双向追溯，提升测试分析深度。

二、核心方向二：AI用例生成

1. 全流程自动化

主流程：创建任务→导入需求→人工确认需求→生成功能图谱→推导测试点→人工确认测试点→泛化/直接生成用例→人工编辑（智能补全）→保存入库，关键节点保留人工确认，平衡效率与可控性。

技术架构：

TestAgent核心组件：通过LangGraph构建工作流，实现需求分段（转MD格式）、概要生成、测试点推导的自动化，异步轮询任务状态；

增强能力：结合ReAct框架（推理-行动-观察）、历史用例检索、代码变更分析、领域知识（需求图谱/设计文档），生成接口参数与程序验证逻辑，提升用例准确性。

2. 需求处理与用例优化

需求处理：自动分类段落、智能分割内容、创建功能模块，支持错误处理与模块顺序调整，生成结构化RequirementState，避免需求理解偏差；

用例质量保障：通过API Agent解析接口文档、Manual Agent补充人工规则，去重格式化后输出，支持接口/功能用例双类型生成，适配不同测试场景。

三、核心方向三：AI合规检测

1. 背景与风险

合规必要性：解决应用因隐私不合规导致的“无法过审、用户投诉、行政处罚、应用下架、法律诉讼”五大风险，覆盖39大类、71条检测规则（如设备序列号、Android ID、IMEI收集）。

2. 技术方案

数据收集能力：基于LSPosed扩展自研，实现“定制检测规则→主体溯源判定（堆栈包名锁定）→重载调用过滤（规避重复干扰）→结果可视化输出”全流程，精准拦截隐私侵权行为；

分析流程：测试人员创建合规任务→云真机自动安装被测APP并触发操作→TestAgent汇总行为数据→AI Agent结合代码片段分析风险等级（高/中/低）→生成带改进建议的报告（如“高敏行为需安全审查”）。

3. 效果与输出

风险识别：可检测高敏行为（如获取IP地址、移动网参数）、中风险操作（非核心场景调用网络API），输出触发进程、行为描述、合规建议；

可视化呈现：支持汇总视图（风险等级分布）、明细列表（时间/包名/触发方式）、AI分析（深度见解与代码改进方向），简化合规结果解读。

四、技术底座与未来展望

技术栈：基于Python 3.12+LangChain/LangGraph构建Agent能力，采用FAISS向量存储、MySQL数据管理，集成LSPosed（合规Hook）、State-Tool（UI分析）等工具链；

核心价值：

知识图谱解决“测试无关联”问题，AI用例提升生成效率，AI合规降低上线风险，三位一体推动测试从“人工驱动”向“智能驱动”升级；

未来方向：深化多图谱融合、优化AI用例泛化能力、扩展合规检测场景（如多平台隐私规则适配），进一步提升平台智能化与场景覆盖度。